Complexiance : penser l'IA en complexité pour mieux décider

Complexiance, une définition proposée

Le terme rapproche volontairement complexité, intelligence et l'idée de reliance, c'est-à-dire la nécessité de relier ce que l'analyse a séparé sans effacer les différences entre les éléments.

J'utilise Complexiance pour désigner une approche de conception, d'observation et de décision qui examine comment l'IA, les personnes, les connaissances, les règles, les ressources et les dépendances se transforment mutuellement.

La question n'est donc plus seulement : "Quel modèle est le meilleur ?" Elle devient aussi : que change ce modèle dans la manière de travailler ? De quelles sources dépend-il ? Que devient une réponse lorsqu'elle entre dans une mémoire documentaire ? Qui conserve la capacité de la contredire ? Que faut-il préserver si le fournisseur change ? Quel coût apparaît ailleurs lorsque l'on optimise une seule partie du système ?

Complexiance ne cherche pas à rendre l'IA plus compliquée. Elle part d'un constat simple : une décision locale peut avoir des effets qui ne restent pas locaux.

Changer de modèle peut modifier les coûts, mais aussi les connecteurs, les compétences nécessaires et la continuité de la mémoire. Accélérer une production peut déplacer le goulot d'étranglement vers la validation. Une synthèse générée peut devenir un document de référence, puis être réutilisée par un autre système. C'est cette circulation qui m'intéresse.

De la maîtrise des briques à l'observation des relations

Cette proposition ne remplace ni l'ingénierie, ni la cybersécurité, ni l'audit, ni la conformité. Une permission trop large reste une permission trop large. Une source fausse doit être corrigée. Complexiance ajoute une autre question : que produit l'ensemble une fois que les briques interagissent dans le temps ?

Cette idée n'est pas étrangère aux cadres existants. Edgar Morin rappelle qu'une pensée de la complexité doit distinguer tout en reliant. Le NIST décrit de son côté les systèmes d'IA comme sociotechniques et souligne que leurs risques peuvent émerger de l'interaction entre facteurs techniques, humains et sociaux.

Cette volonté de faire passer la pensée complexe de l'analyse à l'action se retrouve aussi dans l'ouvrage dirigé par Céline Chatelin et David Carassus, Vers un management public hypermoderne : ou comment manager les politiques publiques en pensée complexe, publié chez EMS Éditions le 3 septembre 2026. Les auteurs y défendent, dans le champ de l'action publique, une gouvernance plus systémique, collaborative et adaptative. Ce n'est pas un ouvrage sur l'IA, mais il apporte un point de comparaison utile : penser en complexité consiste aussi à regarder les politiques, les organisations, les acteurs et les transitions comme un ensemble d'interactions plutôt que comme une succession de silos.

Complexiance ne revendique donc pas l'invention de la pensée complexe, de l'approche systémique ou de l'analyse sociotechnique. Elle propose un nom de travail pour les appliquer de manière cohérente à des problèmes déjà présents dans l'IA : mémoire, gouvernance, dépendances, décision, travail, connaissances, réversibilité et responsabilité.

OAM en fournit un exemple concret. Une mémoire indépendante du modèle améliore la continuité, mais oblige aussitôt à traiter les droits d'écriture, les contradictions, les corrections et ce qui doit survivre à un changement de moteur. Même logique pour l'Answer Engineering : une sortie parfaitement structurée peut toujours être fausse. Forme, provenance, décision et mémoire restent des objets distincts qu'il faut ensuite relier.

Pourquoi donner un nom à cette approche

Un nouveau terme n'a d'intérêt que s'il réduit une ambiguïté ou permet de mieux travailler.

Dans mon cas, "Complexiance" sert surtout à nommer l'analyse des relations entre technologies, humains, connaissances, ressources, règles et décisions. Elle oblige à chercher les dépendances, les rétroactions, les incertitudes, les effets dans le temps et la capacité réelle de reprise humaine.

Six angles reviennent souvent : finalités et pouvoirs, sources et mémoire, travail et compétences, outils et ressources, effets et rétroactions, temps et réversibilité. Ce n'est pas une checklist, mais une carte de départ pour éviter qu'une optimisation locale soit prise trop vite pour une amélioration globale.

Complexiance.com comme laboratoire public

Pour rendre cette proposition observable et discutable, j'ai mis en ligne Complexiance.com.

Le site est conçu comme un laboratoire de recherche appliquée en construction : lectures sourcées, hypothèses datées, cartes de relations et révisions lorsque les faits changent. Il ne présente pas Complexiance comme une méthode achevée, une institution académique ou une certification.

Il faut aussi rester prudent sur le nom. Une recherche web préliminaire ne prouve ni une antériorité exhaustive, ni une disponibilité juridique, ni une reconnaissance scientifique. À ce stade, Complexiance est un néologisme proposé pour cette approche, pas une discipline établie. Sa valeur dépendra des cas étudiés, des sources, des contradictions documentées et de son utilité réelle pour décider.

Ce que l'on ne peut pas conclure

Complexiance ne prouve rien par son seul vocabulaire. La complexité ne signifie pas non plus que tout serait incontrôlable ou impossible à mesurer. Il faut continuer à isoler les problèmes, tester les hypothèses, mesurer ce qui peut l'être et attribuer les responsabilités.

La différence tient dans un mouvement simple : distinguer pour vérifier, puis relier pour comprendre ce que l'ensemble devient.

Ma lecture

Nous avons parlé du modèle, du prompt, du RAG, des agents, de la gouvernance et désormais de la conception de la réponse. Chacune de ces couches compte, mais leur addition ne décrit pas toujours le système.

Une IA entre dans une organisation avec une histoire, des personnes, des règles et des dépendances. Une fois déployée, elle agit sur cet environnement, qui agit ensuite sur elle par les données, les usages et les décisions qu'il produit.

C'est ce mouvement que je veux documenter avec Complexiance.

Non pour ajouter un mot de plus à l'IA, mais pour garder une question ouverte : qu'est-ce que nous ne voyons plus lorsque nous observons chaque composant séparément ?

Complexiance commencera donc comme elle doit continuer : comme une proposition à tester, documenter, contredire et améliorer.

À lire aussi

• IA et pensée complexe : ce qu'Edgar Morin change à notre manière de la gouverner
• OAM : après plusieurs années de recherche, nous ouvrons l'après-RAG
• Answer Engineering : après le prompt, définir ce qu'une réponse doit respecter
• IA au travail : pourquoi gagner du temps ne suffit pas à travailler plus efficacement
• IA responsable : encadrer ne suffit pas à garder la maîtrise